杜 晶 王鳳芹 邢翠芳

（海軍航空大學航空基礎(chǔ)學院計算機教研室 煙臺 264001）

1 引言

起飛階段飛行操作風險評估是其進入空域安全運行的先決條件，是滿足在復雜作戰(zhàn)環(huán)境下飛行安全的需要［1～2］。近年來，我國海軍航空兵部隊建設(shè)持續(xù)快速發(fā)展，起飛安全與初始爬升操作緊密關(guān)聯(lián)。研究顯示，起飛階段在整個飛行過程中僅有2%的飛行時長，但發(fā)生重大事故的比例卻占12%左右［3～4］。本文從飛行員主觀操作的角度出發(fā)，特別對其所進行的起飛階段的可能風險事件進行歸類，結(jié)果如圖1。

圖1 飛行員操作風險歸類圖

目前，飛行訓練體系已經(jīng)較為完善，積累了大量的起飛階段飛行操作數(shù)據(jù)，然而，由于飛行數(shù)據(jù)檢索效率低下，數(shù)據(jù)分析手段與能力不足等問題，導致數(shù)據(jù)在飛行訓練風險評估方面的效能沒有得到充分發(fā)揮［5～6］。對能夠使操作風險降低的因素進行分析，得出以下幾點：首先，合理解析風險的產(chǎn)生規(guī)律。其次，加強階段監(jiān)測，特別是起飛階段的管理。最后，分析出可能原因，提高整體管理的質(zhì)效與操作性，對飛行風險進行預(yù)測，最終提高飛行安全的管理水平［7～9］。

2 關(guān)鍵問題及研究過程

本文主要研究對象為經(jīng)過標準化采集、錄入、整理的起飛階段飛行操作信息數(shù)據(jù)，針對風險評估中的兩個關(guān)鍵問題進行研究：

1）起飛階段飛行操作數(shù)據(jù)特征提取與降維

特征提取算法主要包括提取指定階段數(shù)據(jù)和奇異值預(yù)處理算法。特征降維算法主要進行高維特征降維，用以優(yōu)化識別算法的識別精度與識別速度［10］。

2）以飛行操作數(shù)據(jù)為基礎(chǔ)，建立合理的風險評估算法

以飛行操作特征數(shù)據(jù)作為輸入，借助決策樹等智能數(shù)據(jù)分析算法進行飛行操作數(shù)據(jù)相關(guān)性分析，給出異常數(shù)據(jù)判別準則，識別風險源，確定風險等級，并提出改進和補救措施，進一步對不同類型的風險操作進行潛在風險的挖掘。為后期評估結(jié)果的可視化展示打基礎(chǔ)。因此本文研究要達到的目標為以下兩點：

1）為起飛、進近階段的飛行操作評估提供數(shù)據(jù)分析手段，為有效降低飛行事故率提供數(shù)據(jù)支持，提高飛行信息化保障的有效性。

2）為飛行訓練安全工作提供輔助決策支持，能給出飛行操作風險預(yù)警和有效改進意見和措施，提高飛行風險預(yù)警率。

利用決策樹算法實現(xiàn)風險評估的過程見圖2。

圖2 起飛階段操作風險評估實現(xiàn)流程

3 數(shù)據(jù)準備階段

由于環(huán)境、外力等因素的影響，造成獲得的數(shù)據(jù)存在缺失值、異常值，所以在進行數(shù)據(jù)分析之前，要對飛參數(shù)據(jù)進行預(yù)處理，結(jié)合飛行參數(shù)方程，設(shè)計數(shù)據(jù)清洗（填補缺失值和平滑異常值）和數(shù)據(jù)變換（標準化、歸一化）算法［11～12］。結(jié)合飛行動力學方程，擬采用最小二乘法、多項式擬合綜合方法來剔除飛參數(shù)據(jù)中存在的異常值，采用牛頓插值法實現(xiàn)缺失數(shù)據(jù)的估計和補償，為后續(xù)的數(shù)據(jù)分析與算法實現(xiàn)打下基礎(chǔ)［13～15］。以下兩點為評估過程要解決的關(guān)鍵問題和技術(shù)難題。通過對實際需求以及飛行操作數(shù)據(jù)使用情況進行調(diào)研和分析，充分考慮飛行操作風險影響因素，構(gòu)建判定數(shù)據(jù)集。

3.1 數(shù)據(jù)提取

從完整飛行數(shù)據(jù)中提取待評估的起飛、進近階段數(shù)據(jù)通過Pandas讀取數(shù)據(jù)文件，并輸出數(shù)據(jù)描述。iloc在Pandas中是用來通過數(shù)字來選擇數(shù)據(jù)中具體的某些行和列。可以設(shè)想每一行都有一個對應(yīng)的下標（0，1，2，…），通過iloc使用這些下標去選擇相應(yīng)的行數(shù)據(jù)。同理，對于行也一樣，想象每一列也有對應(yīng)的下標（0，1，2，…），通過這些下標也可以選擇相應(yīng)的列數(shù)據(jù)。

3.2 數(shù)據(jù)預(yù)處理

研究借助數(shù)據(jù)預(yù)處理算法，對歷史飛行操作數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，python中的sklearn提供了StandardScaler類，能夠快速實現(xiàn)數(shù)據(jù)標準化處理。關(guān)鍵代碼如下。

4 決策樹算法的Python實現(xiàn)

研究采用機器學習方法中的決策樹算法進行風險評估算法的設(shè)計。為了解決樣本在數(shù)據(jù)集中占比較少，形成的樣本分布的不平衡性問題，本文對對數(shù)據(jù)分析方法進行改進，采用決策樹分類算法，對起飛階段不同類型的風險操作進行識別。

4.1 建立飛行員駕駛技巧要領(lǐng)

需要對起飛階段的飛行員駕駛技巧進行確定，其依據(jù)是飛行員的經(jīng)驗與教員規(guī)范性點評。根據(jù)所謂的4個維度確定出后面評估算法的輸出結(jié)果的參數(shù)指標［19～21］。

4.2 建立起飛階段QAR分析參數(shù)

根據(jù)4個風險維度，對應(yīng)建立共計11項基于飛行員駕駛技巧要領(lǐng)的評價指標如表1所示。

表1 起飛階段風險評價指標

4.3 決策樹算法代碼實現(xiàn)

算法數(shù)據(jù)采集：實驗選取某型飛機包含11項基于飛行員駕駛技巧要領(lǐng)的評價指標的飛參數(shù)據(jù)作為數(shù)據(jù)集，利用QAR主要分析參數(shù)模板訓練機器學習模型，遞歸構(gòu)建CART決策樹，然后用建立的決策樹模型標注各時間段的數(shù)據(jù)集合T對應(yīng)的風險維度。

建立構(gòu)建決策樹算法的步驟如表2所示。

表2 構(gòu)建決策樹算法的步驟

5 結(jié)語

本文以起飛階段的飛行操作數(shù)據(jù)為研究對象，建立飛行操作風險評估算法；借助決策樹等智能數(shù)據(jù)分析算法，從大量飛行操作數(shù)據(jù)提取關(guān)鍵參數(shù)，構(gòu)建飛行安全風險評估指標體系，對飛行安全做出合理的風險評估，識別起飛階段的的風險源，確定飛行風險等級，在飛行前作出風險預(yù)警，并提出預(yù)防與控制措施，能夠有效控制飛行風險，將飛行風險控制在可接受的水平或以下，提升飛行訓練安全管理水平。指出飛參數(shù)據(jù)在起飛階段風險預(yù)測方面的巨大作用，為未來如何利用飛參數(shù)據(jù)提高飛行安全指明方向。